이상 감지

이상 징후 탐지는 인공지능 내에서 중요한 기능입니다. 인공 지능의 중요한 기능입니다 . 데이터 세트의 대다수에서 크게 벗어난 데이터 포인트, 이벤트 또는 관찰을 식별하는 것입니다. 이러한 일반적으로 이상값이라고 하는 이러한 편차 사례는 종종 구조적 결함, 의료 상태 또는 보안 위반과 같은 중대한 사건을 나타냅니다, 의학적 상태 또는 보안 침해와 같은 중대한 사건을 나타냅니다. 특정 맥락에서 컴퓨터 비전, 이상 징후 탐지 알고리즘 시각적 데이터를 분석하여 학습된 "정상"의 표현에 부합하지 않는 불규칙한 패턴을 표시합니다. 불규칙한 패턴을 표시하여 의미 있는 신호에서 노이즈를 효과적으로 필터링합니다.

핵심 메커니즘 및 접근 방식

이상 징후 탐지의 구현은 일반적으로 통계 분석과 딥 러닝 기법을 사용합니다. 레이블이 지정된 학습 데이터의 라벨링된 학습 데이터의 가용성에 따라, 접근 방식 접근 방식은 세 가지 주요 유형으로 분류할 수 있습니다:

• 지도 학습: 이 방법은 정상 및 비정상 예시를 모두 포함하는 완전히 레이블이 지정된 데이터 세트를 활용합니다. 모델은 이진 또는 다중 클래스 분류를 수행하도록 모델을 학습시켜 이진 또는 다중 클래스 분류를 수행합니다. 효과적이기는 하지만 이 접근 방식에는 상당한 양의 실제 시나리오에서는 부족할 수 있습니다.
• 비지도 학습: 레이블이 지정된 데이터 없이 작동하는 이 기법은 이상 징후가 드물고 뚜렷하다고 가정합니다. 다음과 같은 알고리즘 K-평균 클러스터링 또는 DBSCAN 과 같은 알고리즘은 유사한 데이터 포인트를 함께 그룹화하여 고립된 포인트는 이상값으로 분류합니다.
• 반지도 학습: 이는 시스템이 일반 데이터에만 일반 데이터로만 학습하는 시각적 검사에서 널리 사용되는 접근 방식입니다. 추론하는 동안 재구성 오류가 높은 입력(종종 자동 인코더를 사용하여 계산된)은 자동 인코더를사용하여 계산된 )높은 재구성오류를 생성하는 입력은 이상

이상 감지 vs. 객체 감지

두 기술 모두 이미지를 분석하는 데 사용되지만, 이상 징후 탐지를 객체 감지와 구별하는 것이 중요합니다.

• 객체 감지는 정의된 경계 상자를 사용하여 알려진 카테고리(예: 자동차, 보행자)의 인스턴스를 찾고 분류하는 데 중점을 둡니다, 자동차, 보행자)를 정의된 경계 상자를 사용하여 찾는 데 중점을 둡니다. 모델은 모델은 학습 중에 이러한 특정 객체의 예를 본 적이 있어야 합니다.
• 이상 징후 탐지는 종종 개방형으로 설정되어 있어 알 수 없는 편차를 검색합니다. 예를 들어 예를 들어 컨베이어 벨트를 모니터링하는 시스템은 완벽한 제품에 대해 학습을 받았기 때문에 사전에 결함의 모양을 명시적으로 알지 못한 채 스크래치, 찌그러짐, 또는 변색을 표시해야 하는데, 이러한 결함이 무엇인지 사전에 명확하게 알지 못합니다. 하지만 다음과 같은 강력한 모델은 Ultralytics YOLO11 과 같은 강력한 모델은 특정 결함을 별개의 클래스로 처리하여 감독된 이상 징후 특정 결함을 별개의 클래스로 취급하여 감독형 이상 징후 탐지에 적용할 수 있습니다.

실제 애플리케이션

불규칙성을 자동으로 감지하는 이 기술은 다양한 산업 분야에서 필수 불가결한 기술입니다.

• 산업 품질 관리: 스마트 제조의 시대에 스마트 제조, 자동화된 육안 검사 시스템은 조립 라인을 모니터링하여 제품 결함을 detect . 결함을 조기에 발견하면 낭비를 줄이고 고품질의 제품만 고품질의 제품만 소비자에게 전달할 수 있습니다. 제조 분야의 AI.
• 금융 보안: 은행은 통계적 이상 징후 탐지를 활용하여 사기 행위를 식별합니다. 이로써 일반적인 사용자 행동의 기준선을 설정함으로써 시스템은 비정상적인 거래에 대한 경고를 트리거할 수 있습니다. 금융 사기 탐지 연구에서 자주 인용되는 금융 사기 탐지 연구.
• 의료 진단: 의료 분야에서는 알고리즘이 의료 영상을 분석하여 병리를 강조합니다. 예를 들어, MRI 스캔에서 건강한 조직 패턴에서 벗어난 종양을 감지하면 영상의학 전문의가 더 빠르게 진단할 수 있도록 도와줍니다. 의료 분야의 AI.
• 네트워크 보안: 사이버 보안 도구는 네트워크 트래픽이 급증하거나 비정상적인 패킷 시그니처가 있는지 모니터링하여 시그니처를 모니터링하여 조직이 사이버 공격을 나타내는 사이버 보안 및 인프라 보안 기관(CISA)의 가이드라인을 준수할 수 있도록 도와줍니다.

YOLO11 결함 감지 구현하기

감독형 이상 감지 기능을 구현하는 실용적인 방법 중 하나는 비전 모델을 훈련시켜 특정 결함 클래스를 인식하는 것입니다. 인식하도록 비전 모델을 훈련시키는 것입니다. 다음 예는 사용자 정의 학습된 사용자 정의 학습 모델 을 로드하고 추론을 실행하여 객체로 레이블이 지정된 이상 징후를 식별하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load a YOLO11 model trained to detect specific defects (e.g., scratches)
model = YOLO("yolo11n.pt")  # Replace with your custom trained weights

# Perform inference on a new image to check for anomalies
results = model.predict("path/to/product_image.jpg", conf=0.25)

# Display the results to visualize identified defects
for result in results:
    result.show()  # Renders the image with bounding boxes around defects

도구 및 프레임워크

이러한 시스템을 개발하려면 강력한 소프트웨어 에코시스템이 필요합니다.

• 라이브러리: 다음과 같은 기본 라이브러리 PyTorch 및 TensorFlow 과 같은 기본 라이브러리는 딥 러닝 아키텍처를 위한 빌딩 블록을 제공합니다.
• 데이터 처리: 비시각적 데이터의 경우 Scikit-learn 이상값 탐지 모듈 은 격리 포리스트와 같은 표준 알고리즘을 제공합니다.
• 엔드투엔드 솔루션: 곧 출시될 Ultralytics 플랫폼은 데이터 주석에서 모델 교육 및 배포에 이르는 전체 워크플로우를 간소화하도록 설계되었습니다. 데이터 주석부터 모델 훈련 및 배포까지 전체 워크플로우를 간소화하도록 설계되었습니다, 실시간 환경에서 이상 징후를 감지하기 위한 전문화된 비전 시스템을 보다 쉽게 구축할 수 있습니다.